短波信道估计

短波信道估计（精选7篇）

短波信道估计 篇1

0 引言

短波是工作在1. 5 ~ 30 MHz频段的电磁波进行通信的一种通信系统,短波通信具备无中继远程通信能力、网络重构快捷、抗毁性强和保密性强等优点,所以短波通信在军事、抢险救灾等领域得到广泛应用。但是,短波通信信道具有频带窄、衰落和多径干扰严重、频率选择性衰落,因此引入OFDM调制技术就可以有效地弥补这些不足。而短波OFDM系统中,自适应的信道均衡器利用信道估计来对抗ISI的影响。分集技术利用信道估计实现与接收信号最佳匹配的接收机,所以信道估计是短波OFDM系统中比较关键的技术之一[1]。

文献[2]提出了经典的导频信道估计算法,此算法给信道容量带来很大浪费,文献[3]证明该算法的性能不是很好,LS算法比较简单,但此算法没有考虑信道中的噪声影响,所以在低噪声条件下采取此算法性能较好。基于此文献[4]提出了基于DFT的信道估计算法,对冲击函数进行滤波,滤除了循环前缀码以外的噪声,然而,前缀码中仍然存在噪声,为了弥补DFT算法不彻底,以及信道由于受噪声的影响,信号的功率主要集中在前几个信号抽头较大的信号上,基于此提出了一种基于DFT改进的信道估计算法。

1 信道模型

短波OFDM系统的传输模型[5]如图1所示。在发送端,首先根据预先规定的调制方案将输入的二进制数据信息分组和映射。然后插入导频,已调信号X( k) 经过IFFT变换变成时域的x( n) 。在相邻的OFDM符号之间插入保护间隔( GI) ,用来消除符号之间干扰( ISI) 。所发射信号通过具有窄带高斯白噪声的频率选择性衰落信道,在接收端,移除保护间隔( GI) ,然后信号就经过FFT变换再将其进行基于导频的信号校正,最后将信号解调。

2 基于 DFT 的信道估计

在短波OFDM通信系统中,接收信号在去除循环前缀经过FFT处理后,在OFDM符号持续期间第k个子载波的接收符号可以表示为:

式中,Y( k)中为接收端收到信号,X( k)为输入信号,为信道噪声信号。那么LS算法得出的信号初始估计值为:

式中,k为子载波 数,令为真实信道冲击响应函数,LS算法[6,7]得到的频域估计做IDFT变换得出时域估计:

DFT算法[8,9]利用了短波OFDM通信系统的信道估计冲激响应的长度通常情况下小于循环前缀码的长度。表明大于循环前缀码的长度的估计值都为噪声,用表达式可表示为:

从式( 4) 可以看出,Ng≤n≤N - 1时的部分全应为噪声,不含任何有用信息,因此把Ng≤n≤N - 1时的估计值置0,其余值不变,就可以得到DFT算法信道估计表达式如式( 5) 所示:

虽然基于DFT信道估计算法滤除了循环前缀码长度以外噪声[10],然而仍还有噪声,为了滤除这部分别噪声,提出一种基于DFT改进算法的信道估计。

3 基于 DFT 改进算法的信道估计

基于DFT的改进的信道估计算法的主要思想是: 由于DFT算法的信道估计值中还存在噪声,使得信号的的功率变化范围很大,这样解调出的信道有可能会失真,且短波信号的传播具有严重时域弥散性[11],为了减少这种影响。提出了DFT信道估计的改进算法,对基于DFT信道估计在0≤n≤Ng- 1的hDFT( n) 进行处理而其他不变,滤除其中的噪声干扰。基于改进DFT算法的流程如图2所示。

改进的DFT算法步骤如下:

1利用LS准则得到信道的初始估计hLS( n) ,然后利用DFT信道估计算法得到hDFT( n) ;

2当0≤n≤Ng- 1时,计算求得幅度的平均值U:

3由于短波OFDM信号具有稀疏性,有用信号大多数都集在幅度大的信号上,所以选择hDFT( n) 中幅值最大的Ng/2个信号作为有用信号;

4用U替换中其余幅值较小的Ng/2个信号;

5得到改进的DFT信道估计hDFT - U( n) ;

6在对做DFT变换即可得基于DFT的改进算法的信道估计的值:

4 仿真分析

为了验证信道估计性能,将基于LS算法和DFT算法与基于DFT改进算法的BER( Bit Error Rate)和MSE进行比较。MSE的定义[12]如下:

式中,为估计值,h为信道冲击响应的实际值。

文本所用到参数如表1所示。理论上,在时间选择性、频率平坦性衰落信道条件下FDPSK调制性能优于TDPSK调制,但是,FDPSK调制则通过各相邻子载波差分信息来传输数据,要求接收端在每帧进行帧内差分数据解调,因而,FDPSK调制要求高度精确的帧同步定时。而实际系统中,收发端的采样时钟差异和时变多径信号的共同影响会导致帧同步误差,引起FDPSK调性能恶化,所以在短波通信系统采用TDPSK调制。本文仿真是基于美国电信科学协会( ITS) 根据短波电离层信道实测提出的一种宽带短波 信道模型,即宽带短 波信道ITS模型[13],各子载波均采用4TDPSK调制方式,所需子载波数为1 024个,为了减少短波信道的快衰落,采用梳状导频结构。

基于LS算法和DFT算法与基于DFT的改进算法的BER曲线如图3所示。从图中可以看出基于DFT的信道估计算法通过将冲击响应中循环前缀长度以外的信号置零滤除部分噪声,相对于不考虑噪声影响的LS信道估计算法在BER性能上平均约有5 d B提升,而基于DFT的改进算法较传统的DFT算法有3 d B的提升。

基于LS算法和DFT算法与基于DFT的改进算法的MSE曲线如图4所示,从图中可以看出当信噪比SNR小于2 d B时,基于LS算法和DFT算法与基于DFT的改进算法的MSE相差不大,而当信噪比SNR大于2 d B时,基于DFT的改进算法的MSE比基于LS算法和DFT算法的MSE都小。

5 结束语

基于DFT的短波OFDM系统信道估计弥补基于LS算法大噪声情况下没有考虑噪声的不足,利用信道估计冲击响应的长度小于循环前缀长度的原理,滤除了循环前缀长度以外的噪声。但是小于循环前缀的信号仍存在噪声,基于DFT的改进算法的主要目的就是滤除这部分噪声。首先选出循环前缀中信号幅度中最大的Ng/2个信号作为有用信号,然后用循环前缀中信号的平均值替换其余Ng/2个信号,最后得到基于DFT改进算法的信道估计信号。由仿真图可以看出,基于DFT的短波OFDM系统信道估计改进算法性能优于传统的DFT算法。

一种短波通信信道探测技术 篇2

在通信系统设计中,需要进行通信链路计算,以决定发射功率、接收灵敏度及天线设计增益,而链路计算中,非常重要的一个参数即是链路损耗,在短波通信链路中,电波的自由空间损耗和电离层吸收损耗是组成短波通信链路损耗的主要参量[1],电离层吸收损耗随日落、日出及太阳风暴等其他因素变化剧烈[2],在短波通信链路损耗中占主导地位,因此获得短波通信链路损耗非常重要。而在实际工作中,通常会选择一个参考值来计算,但该值的选择随着空间和时间的变化各不相同,因此设计的短波通信系统可靠性不高,这也是制约短波通信应用的一个重要因素。

电离层垂直探测仪,也叫测高仪,是一种专门用于电离层研究的工具,它垂直向上发射可连续变化频率的高频无线电波,当无线电波到达电离层后,由于电离层具有反射高频无线电波的特性,所以有部分电波能量将反射回地面,测高仪接收系统接收该电磁波,通过测量电波能量、返回时间来获得电离层探测链路损耗和电离层对高频无线电波的频率选择特性(电离层对不同频率的电磁波反射高度和吸收程度不同),电离层反射高度与频率的关系曲线就是电离层频高图[2],该图谱为电离层研究的原始参考资料,在该图谱中加入回波能量幅度,即为三维频高图。

将垂直探测仪收发装置放置于两地,则电离层频高图就演变为两地间短波链路测试图谱,该图谱反映了在两地间短波传播的模式及可用频率等信息,如果是三维频高图则可以获得短波链路损耗,但是电离层垂直探测仪对回波能量测量精度有限,将该值直接应用于短波通信系统链路计算,也不能提高短波通信系统可靠性。而提高电离层回波能量测量的精度,获得精确的电离层损耗是本文的主要工作。

1 工作原理

1.1 电离层环境与短波通信

大气层之上,高度60~500 km以上的区域,一部分空气分子被太阳紫外线电离产生电离气体。这些电离气体称为等离子体,这一区域称为电离层。由于太阳辐射光线穿透大气层不同区域时的能力不同,以及电离层受到辐射的昼夜变化,使电离层电子密度的分布存在着明显的随高度和经纬度而不同的空间结构变化,以及随昼夜、季节与太阳活动周期而不同的时间变化。

电波传播理论中的阿普顿-哈特里公式指出,不计碰撞和地磁场的影响,对应于电离层中某一高度的电子密度值N,各有一个频率(fN)值。根据这一理论,短波通信系统的高频无线电信号通过天线向电离层辐射时,其频率等于fN时,电波就从与N相对应的高度反射回来[2]。这即是短波通信的基本原理。当无线电波垂直向上进入电离层时:

上式将相应物理常数代入后,则得:

式中:f为探测信号频率,也是经电离层返回信号频率(单位:MHz);Ne为电子浓度(单位:个/cm3)。

由于电子浓度有最大值,当无线电波大于一定的频率以后,电波将不再被反射回地面,这个频率叫做最高可用频率。当电波斜向入射到电离层时,其最高可用频率和垂直入射最高可用频率存在以下关系:

式中:f0为斜向探测电波频率;fv为垂直探测电波频率;φ0为入射角。

1.2 国产TYC测高仪

国产TYC测高仪(见图1)是一种数字式电离层垂直探测设备,是中国电波传播研究所的第五代研制成果,它由发射机、接收机、天线、频率合成器、控制器和计算机组成,各分系统在控制器的控制下同步工作。首先,控制器控制合成器产生1~32 MHz连续变化的高频信号,该信号通过探测仪发射系统,垂直向上向电离层辐射电波,当垂直入射电波信号频率(f)与某高度电离层电子浓度Ne所对应的等离子频率fN相等时,电波就会从该高度反射折回地面。垂直接收系统接收返回信号,记录电离层的特征信息,并形成电离层能反射的频率与其相对应的等效反射高度的关系图(简称频高图),并反映出各层电子浓度分布。

1.3 短波信道探测系统

1.3.1 系统设计

充分利用国产TYC测高仪成熟技术,改造高频接收机,增加信号采集与处理模块,将接收机中频信号进行高速采集,再用专用信号处理器DSP对信号进行处理分析,提取回波信号能量、时延。短波信道探测系统设计如图2所示。

1.3.2 接收机设计

由于需要精确测量电离层回波能量,因此接收机必须具备较好的线形增益和动态范围,在本次设计中,接收机增益设计为64 dB,动态范围设计为90 dB。这是本次系统设计的难点也是重点。

由于数字接收机信号输入幅度要求≤2 Vp-p(10 dBm),因此接收机工作在线性范围内的最大输入信号幅度表示为:

当信号幅度大于AMAX时,接收机工作在非线性放大区,此时接收机的线性动态范围为:

设计程控衰减器来拓宽接收机线性动态范围,程控衰减器设计为0~40 dB可控衰减,当信号大于AMAX时,启动衰减器,减小输入信号,使接收机工作在线性范围内,因此接收机实际线性动态范围为:

2 实例分析和讨论

利用以上设计系统,对北京-青岛短波通信链路进行了测试,获得了以下数据:

图3给出了6.15 MHz通信信号探测图谱,图中横坐标为采样点,起始距离为600 km,每个采样点对应5 km探测距离,纵坐标为回波信号幅度,该通信频率有三个反射点,分别在E层、F1层和F2层,信号发射功率为1 kW,回波功率如图3所示(接收机增益为64 dB),经计算可得,在6.15 MHz,该通信链路的E层、F1层、F2层损耗分别是126.04 dB,120.02 dB,127.98 dB。如设计短波电台接收灵敏度为-100 dBm,则该短波系统发射功率只需-100 dBm+120.02 dB=20 dBm,即0.1 W(一般短波系统均有一定的冗余设计,实际发射功率略大于该值)。

将1~20.2 MHz频率间隔为30 kHz的整个短波波段探测数据合成,得到如图4所示图谱,从该图谱上不但可以获得每个频点的链路损耗值,也可以得到信道随频率变化的趋势。

3 结语

以上介绍了在国产TYC测高仪的基础上,设计短波通信信道探测系统,该系统能够实时地获得多个频点高精度短波通信链路损耗信息,这对短波通信系统的设计和应用具有非常重要的意义,也可以在此基础上展开短波通信选频及频谱管理研究。

参考文献

[1]王坦.短波通信系统[M].北京:电子工业出版社,2012.

[2]朱正平.电离层垂直探测中的观测模式研究[D].北京:中国科学院研究生院,2006.

[3]丁鹭飞,耿富录.雷达原理[M].西安:西安电子科技大学出版社,2002.

[4]陈雪涛,赵正予,刘进华,等.电离层斜向返回探测系统软件结构[J].电波科学学报,2003,18(6):673-678.

[5]张岩波.正交频分复用系统信道估计技术研究[J].现代电子技术,2012,35(21):22-24.

短波信道下跳频信号检测 篇3

扩频通信技术不管是在军事上还是商业上都得到了广泛的应用,跳频技术更是由于其本身具有的抗阻塞性、抗干扰性和低截获性引起了人们的广泛兴趣。目前,跳频信号检测方法理论研究较多:文献[1]提出似然检测法,需要己知某些信号参数,不适合非合作方的检测;文献[2]基于阵列天线和二维谐波恢复原理,提出一种基于联合电波到达方向、跳频时间和跳变频率估计的多用户检测方法,该方法计算复杂,且对信噪比要求较高;文献[3]提出多跳自相关技术,基本上可以做到信号的盲检测,但对信噪比敏感;文献[4]采用一种动态门限方法,对判决得到的cell信号通过DOA区分跳频信号。该算法得到的动态门限能够较好地反映功率谱中噪声基底的变化趋势,但是不能够直接作为判决门限,需要人为地加上一个常数因子,一旦选定无法更改,不适用于短波环境。文献[5]提出了基于持续时间直方图的跳频信号检测方法,它需要通过判决获得信号的持续时间等参数,并没有介绍判决门限的计算方法。上述这些方法均不适用于有干扰的情况。

综合分析文献[4,5],本文提出了一种新的信号判决门限的计算方法,运用该方法从噪声和干扰都很强的复杂短波环境下检测出有用信号:针对检测出的信号时频图特点,提出一系列的统计准则,得到信号描述表;并利用直方图的方法对表中的持续时间进行统计,从而实现跳频信号的检测。

1 噪声基底估计改进算法

本算法以短时傅立叶变换为基础,取变换后的模值平方得到接收信号的谱图。要检测跳频信号,就需要对谱图进行特征提取,首先必须估计噪声基底,以此作为门限,把有用信号从噪声和干扰中提取出来。

文献[4]提出一种动态噪声基底估计算法,该算法得到的门限能够比较好地反映功率谱中噪声基底的变化(如图1中粗实线所示),但是由于滤波的作用,使得估计的门限低于整个噪声基底,用其作为门限,将会导致虚警概率过高。为了解决这个问题,本文对此算法进行改进,提出新的估计噪声基底的方法:

定义一次FFT变换对应的数据区间为一个时间单元,第j个时间单元:

(1)对谱图pj(i)进行低通滤波,得到每个频率处的基本门限basethj(i);基本门限能够基本反映功率谱中噪声基底的变化情况。

(2)为了剔除噪声引起的毛刺等对基本门限的影响,设计一个基本门限动态波动范围D_base,将大于和小于这个波动范围的毛刺都削去:以basethj(i),逐个扫描功率谱pj(i),如果pj(i)>(basethj(i)+D_base),则令pj(i)=(basethj(i)+D_base);反之,则令pj(i)=(basethj(i)-D_base),得到新的功率谱pN j(i)。

(3)将谱图pN j(i)再进行一次低通滤波,得到新的动态基本门限basenewj(i)。basenewj(i)能动态的跟踪噪声基底的变化,但其均值低于噪声的包络,因此需要将basenewj(i)叠加上一个常数,使得得到的动态门限高于噪声。

(4)由于信号并不总是存在的,根据信号加噪声能量大于噪声的原理,最小基本门限对应的频段应该是没有信号的子频段,即这些子频段内的最大值反映的是噪声幅度最大值,而不是信号,将pj(i)沿频率轴均匀划分多个频段,求各个频段的谱图最大值:

式中,k=1,2,…,?LN」,L为频段宽度,?」表示取下整。

(5)求所有频段谱图最大值的最小值:

(6)最小基本门限叠加一个大于该幅度最大值减去最小基本门限的常数后得到的估计值就可以保证高于最大噪声幅度,最终得到的动态检测门限如下:

运用新算法估计的噪声基底如图1中点划线所示,可以看出该门限动态的跟踪了噪声的变化,且已经提高到噪声之上,明显区分了噪声和信号。图2是原始信号时频图,跳频信号很多跳淹没在噪声中,很难区分出来,图3是经过门限判决后的时频图,可以看出噪声得到了较好抑制,信号提取效果较好。

2 参数统计和跳频信号检测

2.1 参数统计原则

观察图3,可以看出跳频信号各跳都能得到保留,但存在如下的问题:

(1)由于噪声的影响以及频率分辨率的问题,在不同时间单元估计的信号频率中心可能发生偏移(如图3中的A所示),统计中需要归一化为一个频率;

(2)在信号的持续时间内,可能在某些时间单元没有检测出该信号,导致连续的一段信号被划分为几个小段(如图3中的B所示),统计中需将其合并为一个信号;

(3)在单个时间单元的判决中,噪声幅度超过门限,被误判为信号,但是从整个时频图上看,此类伪信号往往持续时间很短(如图3中的C所示),类似于散粒噪声,统计中需剔除;

(4)定频信号持续时间一般很长(如图3中的D所示)。

为消除以上(1)、(2)、(3)引起的问题,首先对图像进行预处理然后才能统计各个参数。

2.2 参数统计步骤

(1)形态学图像预处理[6]

图像处理中开闭运算的形态学处理方法可以消除图像中的散乱噪声并填补小空洞。先膨胀后腐蚀的一次运算称为闭运算,反之为开运算[6]。闭运算可以填充物体内细小空洞,连接临近物体,平滑其边界,但同时不明显改变原来物体的面积。开运算可以消除小物体,在纤细点处分离物体,平滑较大物体的边界,但同时不明显改变原来物体的面积。为了平滑信号内部小空洞,合并信号并消除散乱的噪声,本文采用3×3的方形结构元素对图像先进行一次闭运算再进行一次开运算。处理结果如图4所示。

(2)统计信号描述表

开闭运算以后,消除了散乱噪声,不连续的信号得到了合并,因此可以对该谱图出现的各个信号进行参数统计:开始时间、结束时间、持续时间以及各信号出现的频率,得到信号描述表。

(3)剔除定频和短时信号

比较信号描述表中的持续时间项,根据短波跳频信号跳速一般在5跳/秒—100跳/秒之间,将持续时间小于一定长度的噪声信号或短时信号以及超过一定长度的定频信号去掉,如图5所示。得到最终的信号描述表。

(4)直方图统计检测跳频信号

对最终描述表中的持续时间作直方图,相同或相近持续时间的信号将会聚集在某个峰附近,若持续时间相同的信号个数超过一定数量则认为是存在跳频信号。

3 仿真实验

采样频率200k Hz;跳频信号1和2跳速分别为20跳/秒和10跳/秒;中心频率分别为0和30k Hz,频率间隔均为3 k Hz,随机序列均为{1,3,7,15,14,13,10,5,11,6,12,9,2,4,8};定频干扰频率为10.5 k Hz。

3.1 仿真试验一:参数统计及跳频信号检测

跳频信号1和2的信噪比均为10d B,跳频信号1与定频干扰的信干比为10d B。该信号时频图如图2所示,去除噪声并参数统计处理后得到的最终信号描述表如表1所示,对应的时频图如图5所示,持续时间直方图如图6所示。

从图6可以看出:持续时间为10左右的信号有20个,持续时间为20左右的信号有10个,两个峰值对应的信号个数都比较多,因此可以判定为存在两个跳频电台,分别为20跳/秒和10跳/秒,这与初始仿真条件相符,运用该方法正确检测出了两个跳频信号。

3.2 仿真试验二:单个时间单元的检测概率随最小信号的信噪比变化情况

跳频信号2的信噪比10d B,干扰信号信噪比20d B,最小信号:跳频信号1的信噪比在-15d B到10d B之间变化,以第25个时间单元为例,每个信噪比下进行100次蒙特卡洛实验,得到该时间单元的检测概率随最小信号的信噪比变化情况如图7所示。其中,检测概率pd定义为将三个对应信号均检测出的概率;虚警概率定义为将三个对应信号检测出来,并且检测到的信号个数大于3的概率;漏警概率为1-pd。

从图7可以看出当最小信号信噪比高于0d B时,本文算法检测概率大于0.95,基本能够准确地检测出所有信号;虚警概率在整个观察的信噪比范围内变化不大,平均在0.05左右,在短波信道下检测效果较好。

4 结论

文中采用了新的信号判决门限的计算方法,该门限方法能够在噪声干扰较强的情况下较好地检测出多个信号,可以应用于复杂短波环境中的跳频信号检测中;提出的参数统计原则,能够较好解决跳频信号判决中可能存在的各种问题,较准确地完成了跳频信号的检测问题,算法简单使用。

当多个跳频电台跳速相近或者有其他短时突发时,如何利用更多的信息进行跳频分选是下一步需要努力的方向。

参考文献

[1]Janne J.Lehtomki.Maximum Based Detection of Slow FrequencyHopping Signals[C].IEEE Communications Letters,APRIL 2003,7(4):201-203.

[2]茹乐,杜兴民,毕笃彦.基于联合空、时频估计的跳频无线网多用户检测算法[J].数据采集与处理,2008,23(1):13-16.

[3]Chung Char-Dir,Andreas Polydoros.Detection and Hop Rate Estima-tion of Radom FH Signal Using Autorcorrelation Techniques[C].Proc.MILCOM’91,1991,9.

[4]毛国华,王可人.一种基于阵列信号处理的短波跳频信号检测方法[J].通信对抗,2007(2):43-46.

[5]George R Cooper,Robert D Martin.Detection and Identification ofMultiple Spread-spectrum Signals[C].IEEE1990:999-1003.

短波信道模拟的计算机仿真 篇4

为使各短波波形标准间相互兼容, 大多数短波波形标准都规定了其对BER的性能要求。各短波通信设备开发商在开发产品时, 必须测量所开发产品的性能是否满足标准规定的指标, 而这种测量往往需要在实际的通信环境中进行大量的、远距离的外场实验和长时间的测试, 这需要花费大量的人力、物力, 而且不能保证相同的测试条件和信道条件, 也不能人为地改变信道参数。文献[1]提出了一种测试高频系统性能的方法, 事先对高频信道进行数据采集, 而后利用回放技术来测试系统性能。在通信系统的仿真中, 信道模拟器对真实信道的逼近程度, 直接影响到通信系统仿真所得性能参数的有效性。因而, 开发性能良好的短波信道模拟器是十分必要的。

国内外一些研究单位和公司相继研究开发了信道模拟器。比如国内1994年浙江大学信息与电子工程系采用Watterson模型开发了一种4kHz带宽的基带实时高频信道模拟器;解放军电子工程学院1999年进行半实物话音信道的模拟设计, 这些模拟器的主要不足是功耗过高, 体积庞大, 可控性不高。国外也有成型短波信道模拟产品, 如Rockwell公司的MDM-3001等, 虽然模拟结果较好, 但是购买费用昂贵[2]。

文献[3] 基于Watterson 模型提出了一种纯软件信道模拟算法。文献[4]在Watterson 信道模型的基础上采用Simulink 对短波信道进行了仿真。文献[5] 采用Matlab 的OOP 技术对其进行建模仿真。本文详细推导了被广泛使用的短波电离层信道模型 (Watterson模型) 的原理, 通过Matlab编程仿真了军标所给短波信道参数下直观的时域信号波形, 较好地模拟了短波信道的衰落特性。

1Watterson模型原理

短波电离层信道在时间和频率上都是非平稳的, 但是如果只考虑带宽小于10 kHz的窄带信道, 在足够短的时间 (比如小于10 min) 内, 大多数信道近似于平稳, 可以用静态模型来描述, 即Watterson信道模型[6], 如图1所示。输入信号经过理想的时延线被分送到一些可调节的时延抽头, 每路抽头带有可分解的电离形式的分量;每路时延信号由一个基带抽头增益调制其幅度和相位;各路调制信号与加性白高斯噪声相加得到输出信号。

Watterson信道模型的三个基本假设:

(1) 高斯散射假设。每个抽头函数Gi (t) 是一个可以产生瑞利衰落的复高斯过程。

(2) 独立性假设。各个抽头增益函数间是独立的。

(3) 高斯型频谱假设。每个抽头增益频谱可看成是两个高斯型频率函数的总和。

复随机抽头增益函数Gi (t) 定义为:

式中:a和b表示路径中的两个磁力子分量;fia和fib为两个磁力子分量所对应的多普勒频移;Gia (t) 和Gib (t) 是两个各态历经的、相互独立的、二变量的复高斯随机过程, 它们的均值为零, 并且有相同均方根值和频谱的独立正交分量:

gia (t) 和undefinedia (t) 是独立实高斯过程, 其单一时间联合概率密度函数为:

式中:Ria (0) 是Gia (t) 在Δt=0时的自相关, 表示信道中各磁力子分量传送的输出功率与信道输入功率的比值。

同时, gia (t) 和undefinedia (t) 的功率谱相同, 即:

式中:FT{·}表示傅氏变换。

Gia (t) 的自相关函数为:

由于gia (t) 和undefinedia (t) 是独立的, 有undefined, 所以Gia (t) 的功率谱是gia (t) 和undefinedia (t) 功率谱之和, 并且关于ω=0是偶对称的。正因为如此, 将exp (j2πfiat) 纳入Gia (t) 就可以为该磁力子分量提供所需要的频移fia。

以此类推, 对磁力子分量b可得到上述同样的结论。

每个复随机分支增益函数Gi (t) 的相关函数为:

利用:

对式 (7) 做傅氏变换得到每个复随机分支增益函数Gi (t) 的功率谱函数为:

式中:Ria (0) 和Rib (0) 为各磁力子分量的衰减系数;2σia和2σib决定各磁力子分量的多谱勒频展宽 (衰落带宽) ;fia和fib为各磁力子分量的多谱勒频移。

gia (t) 和undefinedia (t) 为相互独立, 是有相同均值和均方根值的独立正交分量, 只要它们具有高斯型谱, 则Gia (t) 服从瑞利分布。为了模拟短波信道的瑞利衰落效应, 需要产生满足以上要求的gia (t) 和undefinedia (t) 。

如图2所示, 复高斯噪声的实部和虚部分别通过滤波器hik (t) 得到hi (t) , 要满足:

从而只需要设计具有如下功率谱的滤波器hik (t) 即可:

式中:undefined为磁力子分量的衰减系数 (k=a, b) 。

2系统信道模型及计算机仿真

军标要求的误码率BER测量是在AWGN, CCIR Good和CCIR Poor三种信道条件下测量的, 故实际仿真时采用了双独立等平均功率瑞利衰落路径。由于信道带宽窄, 只需要一个磁力子分量来描述信道瑞利衰落。如图3所示, G11 (t) 和G21 (t) 为相互独立的窄带高斯正态分布, 分别由图2的抽头增益产生方法产生。

图4为一段8FSK信号通过系统信道 (CCIR Good:多径时延0.52 ms, 衰落带宽0.1 Hz, 多谱勒频移1 Hz) [7,8]时各阶段波形。

图4 (a) 和 (b) 为信号分别通过两路径后的波形, 可见, 每路信号通过复随机抽头增益函数调制后, 发生了时间选择性衰落;图4 (c) 为两路径信号之和, 可见, 信号受多径影响, 发生了频率选择性衰落;图4 (d) 为信号加10 dB白高斯噪声后的波形。

3结论

本文详细推导了短波Watterson信道模型的原理, 根据美国军标MIL-STD-188-141B和国军标GJB 2077-94所给短波信道参数, 采用了双独立等平均功率的瑞利衰落信道。通过Matlab编程仿真给出了直观的时域多径信号波形, 较好地模拟了短波信道的时间选择性衰落和频率选择性衰落特性。

参考文献

[1]WOERNER Brian D, REED Jeffrey H, RAPPAPORTTheodores S.Simulation issues for future wireless modems[J].IEEE Trans.on CM, 1994, 7:42-53.

[2]马金全.基于DSP的短波信道模拟器设计与实现[D].西安:西安电子科技大学, 2005.

[3]李丁山, 杨莘元, 杨平.基于Watterson模型短波信道仿真算法[J].系统工程与电子技术, 2004, 26 (11) :1558-1560.

[4]权宁波, 朱晓明, 吴江.基于Watterson模型的短波信道的Simulink研究与仿真[J].现代电子技术, 2007, 30 (3) :20-22.

[5]夏斌, 黄河, 瞿卫忠.短波电离层信道的Watterson模型仿真性能分析[J].系统仿真学报, 2009, 21 (2) :207-210.

[6]WATTERSON C C, JUROSHEK J R, BENSEMA W D.Experimental confirmation of an HF channel model[J].IEEE Trans.on Commun.Technology, 1970, 18 (6) :792-803.

[7]中国人民解放军总参谋部通信部.GJB 2077-94短波自适应通信系统自动线路建立规程[S].北京:国防科学技术工业委员会, 1995.

[8]佚名.美军MIL-STD-188-141B标准APPENDIX A.USA:[s.n.], 1998.

[9]王林, 莴国胜, 田文飚.短波通信试验中信道模拟器技术研究[J].现代电子技术, 2010, 33 (13) :4-7.

一种变步长短波信道盲均衡算法 篇5

短波通信侦察设备用于短波波段(3～30 MHz)无线电通信信号的快速搜索、截获、处理以及干扰目标的识别与引导,其性能的好坏直接影响整个短波通信对抗系统的作战效能,而在短波通信中,由于短波信道的多径传播、多普勒频移造成的信号衰落和信道的时变特性使接收信号不可避免地产生码间干扰(ISI)。ISI制约了通信的传输速率,单靠简单提高发射机功率或提高信噪比并不能有效改善ISI,解决ISI的有效途径就是采用信道均衡技术[1]。

首先分析了自适应均衡,在自适应均衡的基础上分析了盲均衡技术。无论自适应均衡还是盲均衡都存在收敛速度和收敛精度之间的矛盾,因此在本文中将变步长的思想引入均衡算法中,对均方剩余误差进行适当变换,应用到步长计算中,在不影响精度的条件下提高了收敛速度。通过MATLAB仿真验证了改进算法的有效性。

1 常用的均衡算法描述

1.1 自适应均衡算法

在短波通信中常用的自适应均衡算法有最小均方(LMS)类算法和递归最小二乘(RLS)类算法。自适应均衡算法是利用接收端发送的训练序列,来进行信道均衡的。

LMS类算法是在Wiener滤波的基础上发展而来的。Wiener解是在最小均方误差(MMSE)意义下使用均方误差作为代价函数而得到的最优解,即通过调整滤波器的权值,使滤波器的输出信号与期望信号之间的均方误差最小。在计算中采用单次采样数据获得的$e{}^2\left(n\right)$来代替均方误差$J\left(n\right)$,从而进行梯度估计[1]。

RLS类算法所采用的准则是最小二乘准则,其原理也是选择均衡器的参数,使其代价函数$J\left(n\right)$最小[2,3],其代价函数为:

$J\left(n\right)={\displaystyle \sum _{i=1}^{{\rm N}}e}{}^2\left(n\right)={\displaystyle \sum _{i=1}^{{\rm N}}e}{}^2\left[d\left(i\right)-y\left(i\right)\right]$。 (3)

即为求$\frac{\partial \left[J\left(n\right)\right]}{\partial \left[\mathit{W}\left(n\right)\right]}=0$,推导过程这里不再赘述。以下为LMS和RLS的算法的仿真步骤。

参数说明(LMS):N为滤波器的抽头系数;μ为滤波器的步长因子;x$\left(n\right)$为均衡器的输入向量;$\mathit{y}\left(n\right)$为均衡器的输出向量;$d\left(n\right)$为期望响应;$w\left(n\right)$为均衡器的抽头系数;e$\left(n\right)$为误差向量。

参数说明(RLS):λ为加权因子(也称遗忘因子。其取值范围为0<λ≤1。λ越小,以前的数据对代价函数的影响越小,最近的数据则影响越大,这就是该算法中λ的“遗忘”作用。)

以上算法流程可以看出LMS算法是一个简单易实现的算法,计算复杂度低,但是该算法收敛速度慢,且输入数据协方差矩阵的特征值结构对收敛速度有显著影响。

RLS算法的特点是相比LMS类算法收敛速度快,但其计算复杂度高远高于LMS,这在实际系统中需要比LMS大得多的存储容量和计算量。

1.2 盲均衡算法

1.2.1 盲均衡算法描述

在实际应用中,尤其是在通信侦察和通信对抗等领域,训练序列是不可预知的,并且发送训练序列还会影响信号的传输效率,因此盲均衡的研究势在必行,盲均衡是在自适应均衡的基础上发展起来的,只是盲均衡中用构造函数对信号进行处理来代替自适应均衡中的期望信号,如图1所示。

在文中重点研究Bussgang类盲均衡算法。Bussgang类盲均衡算法的基本原理是先建立一个代价函数,使得理想系统对应于该代价函数的极小值点,然后采用某种自适应算法寻找代价函数的极值点[4,5,6]。当代价函数达到极值点后,系统也就成为期望的理想系统。其主要包括面向判决的最小均方算法(Decision-directed Least Mean Square Error,DDLMS)、恒模算法(Constant Modulus Algorithm ,CMA)和改进恒模算法(Modified CMA,MCMA)。

下面就这些算法进行简单描述,如表2所示。参数说明:e(n)为误差向量;$\tilde{\mathit{x}}$(k)为均衡器的输出向量;$\tilde{\mathit{x}}$(k)为判决器的输出向量;$\tilde{\mathit{x}}$${}_{R/{\rm I}}\left(n\right)$为均衡器的输出的实部和虚部向量;Y$\left(n\right)$为均衡器的输入向量;W$\left(n\right)$为均衡器的抽头系数向量。

CMA虽然可以稳健收敛,但剩余误差大,这将造成很高的误码率;DDLMS在码间串扰严重时,眼图闭合,错判概率会很大,造成算法不收敛,因此,在实际应用中往往是先利用CMA将信号的眼图睁开使判决误差达到较低水平,然后切换到DD算法以进一步减小稳态误差。采用如下的切换算法,实现CMA+DDLMS双模算法,公式如下所示[7]:

$e{}_n=fe{}_n^{\text{D}\text{D}\text{L}\text{Μ}\text{S}}+\alpha \left(1-f\right)e{}_n^{C{\rm M}A},\alpha =\mu {}_1/\mu {}_2$,

$f=\{\begin{array}{l}1\left|e{}_n^{\text{D}\text{D}\text{L}\text{Μ}\text{S}}\right|/\left|e{}_n^{C{\rm M}A}\right|\le \alpha \\ 0\left|e{}_n^{\text{D}\text{D}\text{L}\text{Μ}\text{S}}\right|/\left|e{}_n^{C{\rm M}A}\right|>\alpha \end{array}$

。

式中,μ1为DDLMS的最佳步长;μ2为CMA的最佳步长;f为DDLMS/CMA切换控制参数。

1.2.2 实验仿真

码速率(Rs):2 400 Baud/s;采样速率(fs):12 000 Hz;载波频率(fc):2 400 Hz;调制样式:8 PSK;信道:多径径数:2;多径时延:[0,9/fs];幅度衰减:[0,-5](dB);信噪比:20 dB。

从图2可以看出,CMA和DDLMS均可以实现信号收敛,星座图得以恢复。图3为均方误差曲线,通过图3(a)的比较得出,在相同μ值时候,DDLMS相比CMA算法收敛速度快,均方误差小;图3(b)说明μ值越大收敛速度会更快,但是剩余的均方误差却越大,反之亦然。这说明了收敛速度和均方误差之间的矛盾。

当初始ISI很大时,由于DDLMS的误差是运用对均衡的判决值与均衡的输出作差实现的,所以在ISI较大的时候,会出现判决不准确的情况,这样计算的误差是不可靠的。因此必须对均衡器输出的值进行判断只有在当前输出值足够准确的情况下,DDLMS才有效。由于CMA在ISI比较大时,能通过迭代达到收敛,因此将CMA和DDLMS结合起来,充分发挥二者的优势,这就是双模算法。算法的切换是以二者的均方误差为标准的。

通过图4(a)可以看出在相同μ值下,CMA和DDLMS相比,CMA的均方剩余误差要大,且起收敛速度也没有DDLMS快;双模算法的收敛速度与DDLMS相当,均方剩余误差相比DDLMS略小。图4(b)是在不同μ值下的双模算法的均方误差曲线,同样可以看出,随着μ值增大收敛速度会更快,但是剩余的均方误差却越大,反之亦然。这也正说明了收敛速度和均方误差之间的矛盾。

因此,综合图3(b)和图4(b)可以得出收敛速度和均方剩余误差是矛盾的,为了解决此矛盾,将变步长的思想引入到均衡算法中。

2 改进均衡算法描述

目前,变步长自适应均衡算法的主要研究成果有:用MSE作为控制步长变化的参量、用剩余误差的非线性变换作为控制步长变化的参量、用剩余误差的自相关函数作为控制步长变化的参量、用剩余误差的峰度作为控制步长变化的参量、用剩余误差和均衡器输入信号的互相关作为控制步长变化的参量,用梯度自适应变步长的方法来控制步长的变化,还有用误差信号的范数来控制步长的变化[8]。

采用均方剩余误差控制步长,但是直接采用均方剩余误差会有缺陷,首先如果直接用均方误差,在开始的时候,剩余误差大,步长也大,收敛速度也快,因此剩余误差迅速下降,步长也随之很快变小,收敛速度变慢,总体来说收敛速度得不到提高;其次,剩余误差对干扰信号敏感,如果在算法收敛后有强干扰,随之会产生大步长,这会引起误调,严重时可能会发散,因此提出将剩余误差的一种变换,作为控制步长的参量。μ的更新公式为:

$\mu \left(n\right)=\{\begin{array}{cc}\mu {}_{\max }\hfill & \mu >\mu {}_{\max }\hfill \\ \mu {}_{\min }\hfill & \mu <\mu {}_{\min }\hfill \\ a\text{E}\left\{e{}^2\left(n\right)\right\}\hfill & \text{其}\text{他}\hfill \end{array}$

。

式中,μmax=2/3tr$\left(\mathit{R}\right)‚\mathit{R}$为均衡器输入信号的自相关矩阵;μmin的选择要综合考虑收敛速度和算法失调程度;比例因子a用于控制补偿因子的取值范围,其要求满足$\mu \left(n\right)<\mu {}_{\max }$。

将$\mu \left(n\right)$的迭代公式与双模算法结合起来,以下为没有引入变步长与采用变步长的对比图,仿真条件同上。

图5为双模算法的变步长和固定步长的均衡算法比较,从图5中可以看出,将变步长的思想引入均衡算法中,均衡效果很明显,改进的双模算法比采用固定步长的双模算法有更快的收敛速度和更小的均方剩余误差,这很好地解决了收敛速度与均方剩余误差之间的矛盾。

3 结束语

本文提出的算法是将CMA和DDLMS结合的双模式盲均衡算法与变步长结合起来,通过对剩余均方误差进行适当变换,再应用到双模均衡算法中,实现起来简单,经过仿真实验,也证明了该改进算法具有收敛速度快、收敛精度好的特点。 

参考文献

[1]张斌.短波数字通信系统关键技术研究[D].长沙:国防科学技术大学工程硕士学位论文,2009:1-19.

[2]韩俊峰,段田东.基于短波突发信号的自适应均衡技术研究[J].通信技术,2008:101-103.

[3]HAYKIN S.自适应滤波器原理[M].北京:电子工业出版社,2010:159-366.

[4]岳蕾.Bussgang盲均衡算法研究[D].西安:长安大学,2008:29-41.

[5]ZHAO Qian.Several Bussgang Blind Equalizer AlgorithmPerformance Analysis[C]∥Xian:Intelligent ComputationTechnology and Automation,2010,12(41):277-280.

[6]夏威.Bussgang盲均衡算法研究及FPGA实现[D].成都:电子科技大学硕士论文,2005:22-47.

[7]张凯.无线通信系统中均衡器的研究与设计[D].重庆:重庆大学,2008:15-26.

LTE上行信道估计技术研究 篇6

LTE上行的用户数据和控制信息主要是通过PUSCH(Physical Uplink Shared Channel)承载。PUSCH采用了块状参考信号结构,在一个子帧中插入2个导频符号。受到无线信道的时变特征、多径衰落和多普勒频移的影响,eNodeB接收到的往往是严重失真信号。因此,准确的信道估计是保证PUSCH传输质量、发挥其优越性的关键[4,5,6]。

本文将重点研究基于辅助导频的PUSCH信道估计技术,信道估计分为两个基本步骤:首先,估计出导频位置的信道响应;然后,根据导频位置的信道响应,运用插值算法恢复出全部数据位置的信道响应。衡量信道估计算法的优劣,主要考虑算法的复杂度和估计精度,目标是实现低复杂度的同时获得较好的估计性能。

1 LTE PUSCH传输方案

PUSCH采用了DFT-S-FDMA(Discrete Fourier Transform-Spread-Frequency Division Multiple Access)技术。DFT-S-FDMA主要思想是数据在OFDM调制前,先进行DFT变换的预编码,实现了单载波的传输方案[7,8]。

如图1所示,在PUSCH基带调制过程中,输入的比特是经过信道编码的码字。首先,码字进行调制映射,生成复数符号d=[d0,d1,…,dM]T,PUSCH支持多种调制方式,有QPSK、16QAM和64QAM。然后,调制后复数符号进行M点DFT变换,得到X(k),k=1,2,…,M。将M点频域数据X(k)映射到相应的在载波资源上,并在一个子帧的第4和第11个符号插入导频序列。再进行N点IFFT变换,生成N点采样点x(k)。N与系统带宽有关,如系统为10 Mbit·s-1带宽时,N=1 024。最后经过添加循环前缀、串并转换和数模转换,天线发射。

接收到的频域数据Y=[Y1,Y2,…,YNP],可以表示为

Y=DFTN(IDFFT(X)N⨂h+w)=XH+W (1)

其中,h(k)是信道的离散响应,其频域响应为H;w(k)是加性噪声干扰,其频域响应为W;Np是导频长度,也是UE的子载波的个数;X=[X1,X2,…,XNP]是发射端频域数据和导频信号。信道估计的目的就是要获取信道的频域响应H。

PUSCH的导频结构如图2所示。黑色部分表示的是PUSCH导频信号的分布,频域上占据整个带宽,时域占用一个Slot中l=3的SC-FDMA符号。PUSCH的参考信号分布是典型的块状导频结构,相对于其他的导频结构,块状导频结构特别适用于慢衰落信道的无线信道。在频域上导频覆盖了所有的子载波,因此频域上无需插值。

实际上,接收端的过程要比发射端复杂得多,涉及到时间和频率同步、信道估计、均衡、分集合并和数据解映射等诸多关键技术。这里,假设在时频同步是理想情况下,进行信道估计研究。

2 信道估计

根据估计准则的不同,基于导频的信道估计方法常见有两种,最小二方差LS和最小均方误差MMSE算法。下面分别对这两种算法进行分析。

2.1 基于LS估计准则算法

LS从最小平方准则上得到信道估计方法,假设$\widehat{\mathit{{\rm H}}}{}_{\text{L}\text{S}}=[\widehat{{\rm H}}{}_1,\widehat{{\rm H}}{}_2,\cdots ,\widehat{{\rm H}}{}_{{\rm N}{}_{{\rm P}}}]$为信道频域响应H的估计值,则其代价函数为

$J{}_{\text{L}\text{S}}=(\mathit{Y}-\mathit{X}\widehat{\mathit{{\rm H}}}{}_{\text{L}\text{S}}){}^{\text{Η}}(\mathit{Y}-\mathit{X}\widehat{\mathit{{\rm H}}}{}_{\text{L}\text{S}})$ (2)

式中,Np表示参考信号的长度。根据代价函数最小准则,使JLS=0,得到

$\widehat{\mathit{{\rm H}}}{}_{\text{L}\text{S}}=\mathit{X}{}^{-1}\mathit{Y}=\left[\frac{Y{}_1}{X{}_1},\frac{Y{}_2}{X{}_2},\cdots ,\frac{Y{}_{{\rm N}{}_{{\rm P}}}}{X{}_{{\rm N}{}_{{\rm P}}}}\right]$ (3)

可见,频域LS信道估计方法算法简单,易于实现,因此得到广泛应用。但是,由于LS准则并没有考虑到噪声的影响,信道估计的结果将受到噪声的严重影响。如式(4)所示

$\widehat{\mathit{{\rm H}}}{}_{\text{L}\text{S}}=\mathit{X}{}^{-1}\mathit{Y}=\mathit{X}{}^{-1}(\mathit{X}\mathit{{\rm H}}+\mathit{W})=\mathit{{\rm H}}+\mathit{X}{}^{-1}\mathit{W}$ (4)

LS信道估计没有考虑噪声W的影响。因此,LS虽然算法复杂度低,实现简单,但是估计的误差较大,信道估计精度较低。

2.2 基于MMSE估计准则算法

为提高信道估计的精度,根据维纳滤波器理论[1],希望通过滤波器得到信道响应

$\widehat{\mathit{{\rm H}}}{}_{\text{Μ}\text{Μ}\text{S}\text{E}}=\mathit{R}{}_{\text{Η}\text{Η}}[\mathit{R}{}_{\text{Η}\text{Η}}+\sigma {}_n^2(\mathit{X}{}^{\text{Η}}\mathit{X}){}^{-1}]\mathit{X}{}^{-1}\mathit{Y}=\mathit{R}{}_{\text{Η}\text{Η}}[\mathit{R}{}_{\text{Η}\text{Η}}+\sigma {}_n^2(\mathit{X}{}^{\text{Η}}\mathit{X}){}^{-1}]{}^{-1}\widehat{\mathit{{\rm H}}}{}_{\text{L}\text{S}}(5)$

其中,σ${}_n^2$是噪声功率;$\widehat{\mathit{{\rm H}}}{}_{\text{Μ}\text{Μ}\text{S}\text{E}}=[\widehat{{\rm H}}{}_1,\widehat{{\rm H}}{}_2,\cdots ,\widehat{{\rm H}}{}_{{\rm N}{}_{{\rm P}}}]$是频域的信道响应。RHH是信道的自相关函数,有

RHH=E[HHH] (6)

从式(5)可知,MMSE(Minimum Mean Square Error)估计方法实际上是对LS初估计结果进行一次滤波得到的信道估计。MMSE估计准则算法,是在最小均方误差意义上的最佳估计方法,精度较高。但是,这样的MMSE算法计算复杂度高,涉及到多次NP×NP复数矩阵的乘法和求逆,因此难以在实际系统中应用。

这里,对MMSES算法进行简化。首先,式(9)中的(XHX)-1,实际上导频信号可以确定,不需要实时计算导频信号的变化。根据3GPP TS36.211协议的定义,导频序列实际上是BPSK调制的信号,因此幅值$\left|\mathit{X}\right|=1$。这样,就有恒定(XHX)-1=1。由于功率控制的需要,(XHX)-1=σ${}_s^2$,等于信号的发射功率,则有

$\widehat{\mathit{{\rm H}}}{}_{\text{Μ}\text{Μ}\text{S}\text{E}}=\mathit{R}{}_{\text{Η}\text{Η}}\left[\mathit{R}{}_{\text{Η}\text{Η}}+\frac{\sigma {}_n^2}{\sigma {}_s^2}\mathit{{\rm I}}\right]{}^{-1}\widehat{\mathit{{\rm H}}}{}_{\text{L}\text{S}}$ (8)

由信道的相关性特征可知,信道的自相关矩阵RHH=[rf(k1,k2)]由多径衰落的功率和时延决定,其时延功率谱服从负指数分布,一般相隔较远的子信道的相关小,与当前子信道邻近的自信道相关性较大。即频域上频率间隔较远的子载波相关性很小,频域上邻近的子载波相关性稍大。因此,可以对信道的自相关矩阵进行简化。

式(8)中,RHH=E[HHH]是一个NP×NP的矩阵

$\mathit{R}{}_{\text{Η}\text{Η}}=\left(\begin{array}{cccc}r{}_f(0,0)& r{}_f(0,1)& \cdots & r{}_f(0,{\rm N}{}_{{\rm P}}-1)\\ r{}_f(1,0)& r(1,1)& \cdots & r{}_f(1,{\rm N}{}_{{\rm P}}-1)\\ ⋮& ⋮& & ⋮\\ r{}_f({\rm N}{}_{{\rm P}}-1,0)& r({\rm N}{}_{{\rm P}}-1,1)& \cdots & r{}_f({\rm N}{}_{{\rm P}}-1,{\rm N}{}_{{\rm P}}-1)\end{array}\right){}_{{\rm N}{}_{{\rm P}}\times {\rm N}{}_{{\rm P}}}$

其中,$r{}_f(k{}_1,k{}_2)={\displaystyle \sum _{n=0}^{L-1}\alpha }{}_l^2\exp \left(-\text{j}\frac{2\text{π}}{{\rm N}{}_{{\rm P}}}\tau {}_n(k{}_1-k{}_2)\right),k{}_1,k{}_2$代表不同的子载波信道,基于上述分析,笔者认为频域距离较远的子载波相关性很小,可以忽略不计。因此,认为$\left|k{}_1-k{}_2\right|\le n$自信道是相关的,频域距离$\left|k{}_1-k{}_2\right|＞n$则认为不相关,则认为rf(k1,k2)=0。与当前子载波相邻的L个子载波是相关的,L=2n+1,这里可以取L=NCP,即循环前缀的长度。因此,上述矩阵可以表示为(L=3):

${\mathit{R}}^{\prime }{}_{\text{Η}\text{Η}}=\left(\begin{array}{ccccccccc}r{}_f(0,0)& r{}_f(0,0)& r{}_f(0,0)& 0& & & \cdots & & 0\\ r{}_f(0,0)& r{}_f(0,0)& r{}_f(0,0)& 0& \cdots & & 0& \cdots & 0\\ 0& r{}_f(0,0)& r{}_f(0,0)& r{}_f(0,0)& 0& & & \cdots & 0\\ 0& 0& r{}_f(0,0)& r{}_f(0,0)& r{}_f(0,0)& 0& & \cdots & 0\\ & & & & & ⋮& & & \\ [JX-+1mm]⋮[JX+5mm]& & 0& & & 0& r{}_f(0,0)& r{}_f(0,0)& r{}_f(0,0)\\ 0& & \cdots & & & 0& r{}_f(0,0)& r{}_f(0,0)& r{}_f(0,0)\end{array}\right){}_{{\rm N}{}_{{\rm P}}\times {\rm N}{}_{{\rm P}}}$

从R′HH矩阵可以看到,简化后的算法复杂度将大大降低。尤其当NP较大时,简化的运算量将是很大,原来一次矩阵乘法运算需要NP×NP次复数乘法运算,简化后只需要NP×L次,这样一次复数矩阵乘法运算就减少了NP×(NP-L)次乘法运算。

在实际应用中,经过简化的信道自相关矩阵RHH和噪声功率σ${}_n^2$,可以通过实时测量获取,或者是根据真实信道的统计特性通过假设的方式预先确定,这样只需要一次乘法运算即可完成$\widehat{\mathit{{\rm H}}}{}_{\text{Μ}\text{Μ}\text{S}\text{E}}$的计算。

在取得导频位置的信道估计值后,进而通过插值方法恢复出全部的数据位置的信道响应。常见的插值算法一阶线性内插性、二阶抛物线内插和基于DFT的插值方法等,不再赘述。

3 仿真结果及性能分析

本文仿真的LTE PUSCH参数配置如表1所示。这里对系统中的某个用户进行估计,该用户的上行资源为12个PRB。信道采用WSSUS信道模型,为广义平稳的多径时变瑞利衰落信道,6条多径的功率延迟谱服从负指数分布。

信道估计算法性能的衡量指标是估计的均方误差MSE(Mean Square Error)和误符号率SER(Symbol Error Rate),采用蒙特卡洛仿真方法,得到的仿真结果如图3和图4所示。

如图4所示,简化后的MMSE算法的误码率SER性能非常接近理想的MMSE算法性能,明显优于基于LS算法。例如在SNR=8 dB时,简化MMSE算法的误符号率比LS算法的SER约低10 dB,与MMSE算法相差约1 dB。同样,如图5所示,LS估计算法和MMSE估计算法在MSE性能上有较大的差距。显然,简化MMSE算法的估计精度接近MMSE算法,并明显优于基于LS准则的信道估计。

4 结束语

基于上述分析和仿真结果,简化算法用的整体性能优异,达到系统性能与复杂度的折衷。对于LTE PUSCH接收机信道估计,适于采用简化MMSE算法。该在实际应用中,信道的相关矩阵RHH和噪声功率δ${}_n^2$可以通过实时地跟踪信道获取,也可以通过大量的真实信道的测量和仿真后设定为一个或一组固定值,这样较大程度地简化了运算过程,易于实现。

摘要：文中针对上行接收机信道估计进行了研究,提出一种基于MMSE的简化算法,通过对算法进行简化,有效降低了算法的复杂度。仿真结果表明,MMSE简化算法估计性能比较理想。

关键词：LTE,信道估计,OFDM,MMSE

参考文献

[1]SIMON HAYKIN.Adaptive filter theory[M].3rd Ed.NewJersey:Prentice Hall,Englewood Cliffs,1996.

[2]JAN-JAAP VAN DE BEEK,OVE EDFORS,MAGNUSSANDELL,et al.On channel estimation in OFDM system[C].Chicago:45th IEEE Vehicular Technology Confer-ence,1995,2:815-819.

[3]中兴通讯股份有限公司.3GPP TS 36.211 V870(2008-6),3GPP TSG RAN E-UTRA Physical Channels and Modulation(Release 8)[S].深圳:中兴通讯股份有限公司,2008.

[4]中兴通讯股份有限公司.3GPP TS 36.212 V870(2008-6),3GPP TSG RANE-UTRAMultiplex and Channel Coding(Re-lease 8)[S].深圳:中兴通讯股份有限公司,2008.

[5]曾召华.LTE基础原理与关键技术[M].西安:西安电子科技大学出版社,2010.

[6]沈嘉,索士强,全海洋,等.3GPP长期演进(LTE)技术原理与系统设计[M].北京:人民邮电出版社,2009.

[7]王军选.多径相关衰落下影响LTE系统容量因素分析[J].现代电子技术,2011(3):36-38.

MIMO系统中信道估计技术 篇7

目前, 在无线通信传输理论和技术领域, MIMO做为未来宽带无线通信系统的框架技术之一, 有着巨大的潜力和发展前景。MIMO系统不同于现有的单天线系统和智能天线系统, 其系统组成由图1所示。

MIMO通信系统中的无线传输信道, 是一个时变的多径衰落信道, 发送的数据将会经历信道衰落, 为了使发送的数据能够在接收端被正确的接收恢复, 信道的衰落影响应该得到合理的补偿。这就需要在接收端使用信道估计来获得信道衰落信息。信道估计技术是提高无线数据传输接收性能的关键技术之一。

2 平坦衰落MIMO系统的信道估计技术

2.1 平坦衰落MIMO系统的信道模型

2.2 平坦衰落MIMO信道的估计方法

SISO系统中常用的信道估计方法当不同发射天线的训练 (包括导频) 序列设计为满足空间上的正交性时, 上述方法均可推广应用于MIMO平坦衰落情形下的信道估计。

2.2.1 最小二乘 (LS) 信道估计算法

采用LS方法进行信道估计的代价函数为:

使式 (3) 所示的代价函数达到最小的就是H的LS估计, 也即:将公式 (3) 对求H偏导并令其等于0, 可以求得H的LS估计值:

2.2.2 最大似然 (ML) 信道估计算法

2.2.3 最小均方误差 (MMSE) 信道估计算法

对信道系数矩阵H进行MMSE估计, 仍然是通过最小化MMSE估计的代价函数来得到, 最小均方误差估计的代价函数如下所示:

使式 (8) 所示的代价函数达到最小的就是H的MMSE估计。

2.2.4 基于叠加训练序列的信道估计算法

叠加训练序列的方法将用户信息序列与周期训练序列进行叠加, 然后再发送。在接收端, 利用训练序列的周期性, 构造一阶统计量对信道信息进行估计。这种方法无需为训练序列分配时隙, 因此不会带来额外的带宽损失;基于一阶统计量, 估计的收敛速度明显提高。而其所需的代价就是发送信号的能量有所增加。

考虑图1所示MIMO系统, 发送天线数为M, 接收天线数为N。设系统的冲击响应矩阵为H (n) , 输入的序列由用户信息序列和训练序列叠加而成, 即X (n) =S (n) +C (n) , 其中H (n) 是N×M维矩阵, X (n) 、S (n) 和C (n) 均为M维列向量。系统的输出为:

其中:N维列向量Y (n) 、W (n) 分别是接收信号矢量和观测噪声矢量;L是信道的阶数。在对以上MIMO模型做进一步分析之前, 先做如下的假设:a.接收端的噪声为加性白色噪声 (AWGN) ;b.用户信息序列具有零均值;c.训练序列具有周期T, 即C (n) =C (n+i T) 。

结束语

研究了MIMO通信系统中的关键技术之一——信道估计技术。重点介绍了平坦衰落条件下的MIMO信道估计技术。然而在实际的无线通信系统中更为常见的是频率选择性信道, 其信道估计远比平坦衰落的情形复杂, 但是在理论研究中, 平坦衰落信道的估计要比频率选择性信道的估计成熟得多。因此在某些条件下将平坦衰落情况下采用的信道估计方法推广运用于频率选择性信道, 这将是下一步要解决的问题。

摘要：由于MIMO信道相对于SISO信道的复杂性, 实现MIMO传输系统的主要困难之一就是MIMO信道估计。因此, 对其进行充分的研究, 对设计合理的MIMO传输方案是非常关键的。重点研究了平坦衰落条件下的MIMO信道估计技术。

关键词：MIMO,信道估计,平坦衰落

参考文献

[1]李道本.信号的统计检测与估计理论[M].北京:北京邮电大学出版社, 1993.

[2]李元杰, 杨绿溪, 何振亚.基于训练序列的MIMO信道估计[J].通信学报, 2006.